基于k-均值的文本聚类算法及改进

本文提出了k-means聚类算法中选取初始聚类中心及处理孤立点的新方法,改进了k-means算法对初始聚类中心和孤立点文本很敏感的不足之处,并将改进后的算法应用于中文文本聚类中。实验结果表明,改进的算法较原算法在准确率上有较大提高,并且具有更好的稳定性。     

基于K-means聚类的马王堆帛画色彩特征分析与应用

目的 提取马王堆帛画特征色彩,分析帛画色彩间配色关系,为文创产品设计的配色过程提供指导,在设计中更加准确地展现帛画的文化特色。方法 首先使用优化后的K-means聚类算法提取出帛画的特征色彩,生成帛画的标准色卡;然后利用图像中的色彩占比数据和色彩邻接关系,建立色彩网络模型,确定色彩主辅色搭配;最后利用CorelDRAW插件color shuffle自动生成多个配色种群,使用模糊综合评价方法验证帛画特征色彩提取的可行性与运用色彩网络模型辅助配色的可操作性。结论 使用K-means聚类方法提取出的帛画标准色卡应用于设计时具有色彩代表性,构建色彩网络模型和插件辅助配色能够提高设计师的配色效率,为文创产品的配色设计过程提供了新的思路。     

面向模块化制造单元的零件分组算法应用

零件分组是模块化制造单元形成的基础,零件特征对分组影响很大.在模糊聚类算法中引入零件特征权重,对零件分组算法进行改进.通过改变同一组零件特征的权重,在不同的权重下得到了不同的零件分组结果,证明了权重对零件分组有很大的影响.实例表明改进的模糊聚类算法能够使零件分组取得更好的效果.     

基于TAD聚类的零件装夹规划方法研究

为实现零件加工时的自动装夹分组及定位面、装夹面的自动选择,从定义特征、加工面、装夹方案及它们之间的关系出发,采用聚类的思想求解装夹规划问题.在划分加工阶段的基础上,提出用"找相同元素法"获得刀具进入方向(TAD)相同的特征组合.对特征——TAD矩阵做变换,得到TAD可行解,进一步对TAD可行解寻找装夹面、定位面,并生成装夹可行解,即可形成装夹方案.以CATIA平台为基础,用CAA开发软件验证了该方法的可行性.该方法对实现零件的装夹分组有重要作用.     

一种基于GA的聚类集成算法

提出了一种基于GA的聚类集成算法ECUNGA(ensemble clustering using NMI and GA).算法利用GA搜索一个与聚类集体差异度小的聚类,以此来达到综合聚类集体信息,得到更优秀的聚类的目的.算法相比于传统基于互信息理论的方法,使用GA搜索,提高了搜索的能力且具有较低计算复杂度.最后,在UCI数据集上进行实验,取得了理想的效果.     

一种改进的k-means文档聚类初值选择算法

提出了一种改进的基于最小最大原则的k-means文档聚类初始值选择算法.该方法首先构造相似度矩阵,然后利用最小最大原则对相似度矩阵进行分析,从而选择初始聚点并自动确定聚类k值.实验结果表明利用该方法找到的k值比较接近真实值.     

基于相似性传播聚类的航空发动机突发故障诊断

针对航空发动机突发故障,构建了一种基于相似性传播聚类的突发故障诊断方法。首先利用突发故障历史监测数据建立突发故障数据库,通过相似性传播聚类找到数据库中所有突发故障数据的中心,当诊断新采集数据的突发故障类型时,通过相似性传播聚类找到当前新采集数据的中心,经过与突发故障数据库中的数据中心进行匹配判断该新采集数据所对应的突发故障类型。将该突发故障诊断方法应用到发动机转子实验台的突发故障诊断中,仿真和实验结果表明该方法的可行性,并通过与其他方法比较,表明该方法具有诊断时间短和误差小的优点。     

基于离散制造企业的物流系统设计

针对离散制造企业特点和物流系统需求,研究物流系统设计,运用系统分析、经验分析以及案例分析方法,提出了以客户需求为导向,以能力分析为基础,逆序、拉动式的设计程序,给出了具体的分析方法,进行了实证分析.     

基于改进遗传算法的聚类新方法

提出一种基于改进遗传算法的聚类新方法(GAKME),该方法采用遗传算法和k-medoids算法相结合,既可以很好地解决局部最优的问题,也可以很好地解决孤立点的问题,同时还可以加快遗传算法的收敛速度,节约时间成本。     

基于大批量定制生产的产品生成模式与优化模型

有关大批量定制生产的研究大多数还处于基本概念、基本原理和方法论阶段。为了给企业提供真正有效的解决方案,依照离散型制造系统生产机理,从对象维和过程维的二维角度,提出了基于大批量定制生产的通用结构模式,探讨了产品全寿命周期的业务流程优化方向,构建了大批量定制生产的优化数学模型。该模型对于离散型制造业具有普遍适用性。     

基于优势粗糙集的中小企业二维绩效评价模型

针对中小企业的发展特点,提出了从经营现状和发展潜力两个维度进行综合评价中小企业绩效的二维模型,并采用创业板中171家中小企业的数据进行了模型验证分析。考虑到评价企业数据量较大,论文依托于聚类分析方法,提出了一种典型样本企业选取策略,然后应用优势粗糙集理论对典型样本集进行了专家知识学习,形成中小企业绩效评价的决策规则,对所有企业进行绩效分类,构建出二维评价模型。其结果分析表明,我国中小企业在现状和发展潜力方面表现均优的企业较少,企业的发展潜力存在不足。此外,基于实际数据,论文讨论和演算了训练样本数量与粗糙集学习分类质量关系,发现粗糙集学习分类中存在过学习现象,即训练样本数的增多并不一定能提高分类质量。     

基于粗糙集理论的老年人网页感性设计研究

目的为了满足老年用户的感性需求,提高其使用网页时的情感体验。方法基于感性工学原理,在感性意象调查的基础上,运用粗糙集理论,构建知识表达系统,然后通过属性约简和重要度计算得出对感性评价贡献较大的设计要素,并通过规则的提取,得出相关设计原则。结果在老年人网页设计中,影响老年用户感性意象"简洁的—繁琐的"的最大的设计要素为网页布局,其次为标题文字的大小、内文文字的大小以及超链接样式。结论老年人网页设计应该注重界面的简洁,要对网页的布局、超链接及文字的大小重点考虑。研究结论可为老年人网页界面设计提供参考依据。     

基于聚类分析和时间浓缩的空调可靠性评估

应用售后故障数据评估可靠性的关键在于科学地确定研究子样.通过对中国气候区域的聚类分析、故障判据的界定以及空调使用时间浓缩,解决了用户空调工作状况及所处自然环境各异,空调功能季节性规律工作以及具体工作时间无法记录而导致使用时间与实际工作时间存在转换比的问题,获得了分组多重截尾售后故障数据子样.运用指数分布模型的极大似然估计和工作时间不确切的可靠性评估理论对比验证了使用时间压缩的合理性.对某型挂壁式定频空调分析结果表明,所提出的评估方法能够有效应用于空调可靠性水平的评估,对类似产品应用售后故障数据开展可靠性评估也具有很好的参考价值.     

基于市场需求变化的流水线最佳生产节拍选择

以精益思想为指导,以选择最佳流水线生产节拍为目标,建立了单台相关制造成本模型,并以其为基础,面对市场的实际需求变化,提出了装配线设计阶段最佳生产节拍的选择方法,以及面对市场波动时改线方案的选择方法。通过实例对研究进行了验证。     

基于粗糙集与D_S证据理论的汽车售后服务知识推理

通过汽车用户的行为特征对用户的车辆进行售后服务知识推理对汽车售后服务质量的提升有着重要的意义。利用粗糙集与信息熵理论从众多的用户行为属性中提取出对汽车部件的状态有显著影响的客户特征行为属性作为推理证据,运用决策规则强度对各证据对应的基本概率赋值（BPA）进行了确定,在此基础上运用D_S证据理论对各证据进行了合成,推理出客户的服务需求。通过实例证明了该方法可用于汽车售后服务知识推理。     

基于粗糙集的影响爆破振动特征参量因素的敏感性分析

文章介绍了粗糙集理论不协调率的概念以及在敏感性分析中的应用，论述了基于粗糙集理论不协调率的影响爆破振动特征参量因素的敏感性分析方法。通过对某露天矿爆破振动实测数据分析，结果表明该方法能较准确地找出各影响因素的主次关系，为爆破振动特征参量的预测研究提供了一种有效的新方法。     

基于粗糙集约简的生产成本决策

成本决策是成本管理的重要环节,为了将先进的人工智能方法融入生产成本决策过程中,并使得决策因素最小化,在深入研究粗糙集理论的基础上,提出了一种新的基于区分矩阵的最小属性约简方法,并详细阐述了该方法的含义和性质,以及算法的搜索策略与执行过程,有效解决了任意相容决策表的最小属性约简问题,并结合现有改进的值约简算法,达到了决策...     

基于粗糙集理论的机械状态监测与故障诊断

以机械状态监测和故障诊断为背景,利用粗糙集的属性约简功能,研究了基于粗糙集理论的参数优选在柴油机状态监测中的应用.结果表明:利用粗糙集约简后,信息没有丢失,但减少了需测量的参数,而且为后续的融合诊断减少了计算量.研究了基于粗糙集的灰色关联分析在齿轮状态监测中的应用,并将其与一般的灰色关联方法进行了比较,结果表明诊断的精度得到了提高.     

基于粗糙集的电机机械状态特征的约简研究

针对集装箱起重机起升电机振动特征参数较多的特点,在利用小波包分解算法进行特征提取的过程中,引入基于粗糙集理论的属性约简方法,在保证识别精度的前提下约简特征参数的维数,以便更高效地进行机械状态识别。同时,引入Wallace测度对约简后的特征属性集与约简前进行识别精度比较。实验结果显示,约简前后的识别结果和精度基本相同,而特征属性维数大大减少,从而大大降低了聚类识别过程的复杂程度和计算量。     

Oversampling Method Based on Gaussian Distribution and K-Means Clustering

Learning from imbalanced data is one of the greatest challenging problems in binary classification, and this problem has gained more importance in recent years. When the class distribution is imbalanced, classical machine learning algorithms tend to move strongly towards the majority class and disregard the minority. Therefore, the accuracy may be high, but the model cannot recognize data instances in the minority class to classify them, leading to many misclassifications. Different methods have been proposed in the literature to handle the imbalance problem, but most are complicated and tend to simulate unnecessary noise. In this paper, we propose a simple oversampling method based on Multivariate Gaussian distribution and K-means clustering, called GK-Means. The new method aims to avoid generating noise and control imbalances between and within classes. Various experiments have been carried out with six classifiers and four oversampling methods. Experimental results on different imbalanced datasets show that the proposed GK-Means outperforms other oversampling methods and improves classification performance as measured by F1-score and Accuracy.